概述

在使用机器学习算法时，往往伴随着数据的前置处理，也就是我们常说的ETL数据清洗。在一般的分类算法中，输入数据的schema一般包含三个部分：特征列、标签列和其它列，其中特征列往往包含多个列。对于Spark mllib的API而言，基于rdd的API往往要求将若干个特征列构造成LabelPoint类，该类包含double类型的label和vector类型的features；基于dataframe的API要求传入并指定features列以及label列。接下来对多列特征聚合进行示例.
LabelPoint的构造示例如下：

rdd.map(r => LabeledPoint(
   // 标签列需要为double类型
   r.getDouble(label), // 
   // 将features列进行转化，多列压缩成一列
   Vectors.dense(features.map(r.getDouble(_)).toArray) 
))

DataFrame API的标签、特征列设置示例如下：

train_df = new VectorAssembler()
   .setInputCols(feature_col_name).setOutputCol("features")

其中“feature_col_name”是Array[String]类型，包含了DataFrame中特征列的列名。

Spark读取数据时，都是将数据以String类型整行读入，而String类型的数据输入往往无法满足算法所要求的的数据格式，因此需要对String类型的数据转化为向量类型。

数据转化

在读入数据时，往往是如下类型的数据格式：每一列以竖线分割，第一列为特征列，类型是稀疏向量，最后一列为标签列。该数据无法直接传入算法中进行处理，因为特征列是String类型，我们需要将该类型展开为密集向量类型，并传入算法中进行处理。

4:3 5:0.512 7:3|5|3|1
4:1 5:0.305 10:1 11:0.43|4|5|1
7:1 8:0.5|12|22|0
1:4 2:0.3 7:1 8:0.33 13:2|2|4|0
1:2 2:0.27 4:2 5:0.29 7:1|5|2|1
4:3 5:0.512 7:3|4|3|1

假设以上数据的schema为:

features - String
col1 - String
col2 - String
label - String

具体的处理代码如下：

// 读入数据，以竖线分割
val input: String = "xxx.txt"
val rawInput: Dataset[Row] = spark.read.option("sep", "|").csv(input)

// 数据处理，“label”和“features”列的选取和DataFrame的schema有关
val dataset = rawInput.select(
"label", "features")
  .rdd 
  .map(l => (l._1, l._2.split(" ").map(_.split(":")).map(e => (e(0).toInt - 1, e(1).toDouble)))) 
  .map(l => (l._1.toDouble, Vectors.sparse(3000, l._2.filter(_._2!=0).map(_._1), l._2.filter(_._2!=0).map(_._2)))) 
  .map(l => (l._1, l._2.toDense)) 
  .toDF("label", "features") 
  .show()

代码优化

在机器学习算法中，输入的数据集一般包含训练集、测试集和验证集，对于同一个算法而言，每一个数据集都需要进行相同的转化操作。上述向量转化代码过于冗长，复制多份会使得代码整体显得臃肿，后面发现可以使用udf的方式进行列转化的定义，使得该转化过程可以复用。

// 定义将string转化成SparseVector的UDF
val stringToVector = udf((t: String) => {
    // 将String转化成[Int, Double]类型，Int为稀疏向量的列号，Double为该列的值
    val tmp_array = t.split(" ").map(_.split(":")).map(e => (e(0).toInt - 1, e(1).toDouble))
    // max_col为稀疏向量的最大列，将tmp_array转化为稀疏向量，如果需要稠密向量，后接.toDense即可
    val tmp_vector = Vectors.sparse(max_col, tmp_array.filter(_._2 != 0).map(_._1), tmp_array.filter(_._2 != 0).map(_._2))
    tmp_vector
})

// 调用udf对“features”列进行类型转化
train_df = train_df.withColumn("features", stringToVector(col(“feature”))

这种udf的方式可以用在DataFrame的各种数据转化上，包括数据内容的转化和数据类型的转化，能够使得我们更容易提炼出算法需要的数据格式。